Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J.

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár. Hegyi Géza. Filozofia és Történelem Kar, Kolozsvár. M.A. Santos, R. Coelho és J.J."

Átírás

1 Vagyoneloszlás a társadalmakban - egy fizikus megközelítése Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Hegyi Géza Babeş-Bolyai Tudományegyetem Filozofia és Történelem Kar, Kolozsvár M.A. Santos, R. Coelho és J.J. Ramasco University of Porto School of Business and Economics, Porto KMEI ISZM, Kolozsvár 2006

2 A Pareto törvény* vagyonleszlás a társadalmakban -Az össz társadalmi vagyonnak a nagy része egy aránylag kis társadalmi réteg kezében öszpontosul -A híres törvény: a társadalom 20% -a az össz vagyon 80%-át birtokolja... (a vagyoneloszláson kivül sok más társadalmi vagy gazdasági folyamatra igaz...) -A Pareto törvény a társadalmi vagyoneloszlás skála-invariáns matematikai formájából ered. -Pareto mérései szerint a társadalom gazdag rétegeire (álatalában a felső 5-10%-ra) igaz, hogy: annak a valószínűsége, C hogy egy egyénnek a vagyona nagyobb legyen mint w P> ( w) = egy α w érték hatványfüggvényszerűen esik α α [1,2.5] ln[ P> ( w)] = ln C α ln[w] ( : a Pareto exponens), általában: társadalmakként változik -A Pareto-törvény szerint, ha sorba rakjuk a társadalom K tagjait vagyonok az i sorszámot a wi vagyon i ~ P>=szerint, ( wi ) = majd α függvényében ábrázoljukwakkor i -A V.Pareto Pareto,törvény Cours d Economie Politique, vol. 2, igaz a jövedelmek eloszlására is * Macmillian, Paris, 1897 Vilfredo Pareto ( )

3 A Pareto törvény különböző társadalmakban 1. A jövedelem eloszlására nézve Évi jövedelem eloszlása Olaszországban ( ) Évi jövedelem eloszlása Japánban ( ) Kummulatív eloszlásfüggvények logaritmikus skálán

4 2. A vagyoneloszlásra nézve Kevesebb kísérleti adat (nehezen és általában Vagyoneloszlás Nagy Brittániában (2000), (az örökösödési adatokból)* csak indirekt módon mérhető) Vagyoneloszlás az India társadalom leggazdagabb 100 családja között (2002, 2003) Kummulatív eloszlásfüggvény * R. Coelho, Z. Neda and M.A. Santos, 2005 * Hegyi Géza & Néda Zoltán (BBTE, Fizika Kar) Vagyon a sorszám függvényében logaritmikus skálán a kapott hatványfüggvény a Pareto törvényt igazolja Kummulatív vagyoneloszlás a magyar nemesség körében 1500 körül* (logaritmikus skála) (az adott nemesi család birtokában levő jobbágyporták alapján)

5 Mérési adatok a Pareto exponensre Pareto eredeti mérései α ra P>= ( w) = C wα α: a Pareto exponens V. Pareto, Cours d Economie Politique, vol. 2, Macmillian, Paris, 1897 [1.8,2.2] α [1.6,1.9] α : Évi jövedelem eloszlása Olaszországban ( ) α = 2. 1 Évi övedelem eloszlása az Egyesült államokban (2000) Vagyoneloszlás a magyar nemesség körében 1500 körül α = 0.95 α = 0.81 ;α = 0.93 Vagyoneloszlás az India társadalom leggazdagabbjai között (2002, 2003) Vagyoneloszlás Nagy Brittániában (2000), (az örökösödési α = 2.52 Évi jövedelem eloszlása Japánban ( )α adatokból) Minnél élénkebb gazdasági kapcsolatok vannak a vizsgált társadalom tagjai között annál nagyobb a Pareto exponens!

6 A Pareto törvény fizikusi megközelítése J. P. Bouchod, M. Mezard; Physica A, vol. 282, pp (2000) -egy analitikus átlagtér Mindenki mindenkivel kölcsönhat (vagyont elméletcserél)! ηi (t ) Wi : az egyedek vagyonai; J(i,j) az egyedek közti kölcsönhatás erőssége; : egy normális (Gauss) eloszlású véleltlenszerű η (t ) = 0 változói 2 2 ηi (t ) ηi (t ) = 2σ 2 dwi = ηi (t )Wi + dt A feladat másztersz egyenlete (a vagyonok időbeli evolucióját vezérlő egyenlet) i = 1,2,...N az átlagtér közelítés: J (i, j ) = J α = 1+ 2 σ J N az átlagtér megoldás: Pareto exponens ρ ech ( w) = A J ( j, i)w J (i, j )W j ( i ) N exp[ (α 1) ] w w1+α j j ( i ) i

7 Az átlagtér közelítésen túl... Egy családháló modell* -A valódi társadalmakban a vagyoncsere nem egy teljesen összekötött hálon történik (nem mindenki mindenkivel hat kölcsön). - A társadalmi háló fogalma és topologiája (szerkezete) fontos a vagyoncsere mechanizmusának a leírásához! (ki kivel van összekötve?) - A vagyoncsere mechanizmusában a családi háloknak van kitüntetett szerepe! - Milyen a családi hálónak a szerkezete??? - A családi háló és vagyoneloszlás között szoros kapcsolat van! családháló vagyoneloszlás -Egy helyes (komplex) modellnek generálnia kell úgy a helyes vagyoneloszlást mint az őt meghatározó társadalmi hálót - A modellnek realisztikus és lehetőleg egyszerű törvényszerűségeket kell tartalmaznia - A modell a bonyolult hálószerkezet miatt valószínűleg analitikusan nem tanulmányozható - Monte Carlo tipusú számítógépes szimulációk szükségesek... * R. Coelho, Z. Neda, J.J. Ramasco şi M.A. Santos; Physica A, 2005 Szociális Háló, V. Hugo Nyomorultak

8 A családháló modell a csomópontok a családok a kötések az elsőrangú családi kapcsolatok minden (i) csomópontnak van vagyona W(i) + és kora A(i) A modell állandói: a családok száma az összvagyon a rendszerben Kezdeti feltételek: egy véletlenszerű háló a vagyonok egyenletes eloszlása a (0,1) intervallumon a családok kora a csomópontok (i) sorszáma A modell dinamikája (1) A legöregebb csomópontot (i) eltávolítjuk. A vagyonát egyenletesen elosztjuk azon csomópontok között amellyel kötései voltak (ha nincs kötése senkivel, akkor a vagyonát preferenciálisan szétosztjuk az összes csomópont között) az örökösödési folyamat (2) Az eltávolított csomópont (i) 0 korral visszakerül (születés), és két olyan (j és k) csomóponthoz kapcsolódik amelyeknek a vagyona nagyobb mint: q (egy új család megalakítása pénzbe kerül). A q vagyon levónódik j és k vagyonából és preferenciálisan szétosztódik a családok között (az új család megalapításából a W ' (i ) =[W ( j ) q ] p +[W ( k ) q ] p társadalomnak nyeresége van). A j és k családok a megmaradt vagyonuk p-ed (2) W ' ( k )vagyon) =[W ( k ) q ](1 p ) részét az új i családnak adják (megindulási W ' ( j ) =[W ( j ) q ](1 p ) (3) Minden csomópont kora egységgel nő. Kétparaméteres modell: q és p

9 A családháló modell eredményei A modell a helyes vagyoneloszlást és a hálóstrukturát is generálja! A vagyoneloszlás q= és p= értékekre a P>=(w) kummulatív vagyonelszolás görbék megfelelőek - a társadalom felső 10%-ra érvényes a Pareto törvény - a kis α vagyonok esetén P>=(w) exponenciális - az -ra kapott értékek: Számítógép-szimulációs eredmény a családháló modellre. Kummulatív eloszlásfüggvény log-log skálán. - p=0.3, q=0.7 (N=10000 csomópont, 10 generációs szimuláció) α = 1.8 A számított Pareto exponens

10 A családháló topológiája -A P(k) fokszám-eloszlás (a csomópontokból kiinduló kötések számának, k, eloszlása) exponenciális - kprob=2; <k>=1.9 (realisztikus) - a kialakuló családháló kis-világ (small-word) tipusú (általában ez jellemző a valós társadalmi hálókra) Korreláció a vagyon és fokszám között - kis p esetén (p=0.1) hosszú távon pozítiv korreláció (rövid időre azonban anti-korreláció) - p>0.2 és q>0.7 esetén antikorreláció Számítógép-szimulációs eredmények a generált háló fokszámeloszlására. Normállog skála, N=10000 család (csomópont ) és 10 generációs szimuláció Számítógépszimulációs eredmények a fokszám és vagyon közti korrelációra. N=10000 családra való szimuláció, 10 generáció után Számítógép-szimulációs eredmények a fokszám és vagyon közti korrelációra. N=10000 családra való

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése -

Vagyoneloszlás a társadalmakban - egy fizikus megközelítése - Vagyoneloszlás a társadalmakban - egy fizikus megközelítése - Néda Zoltán Babeş-Bolyai Tudományegyetem Fizika Kar, Kolozsvár Fizika szakkollégium, BBTE, 2006 Fizika a XX. század előtt: az érzékelhető dolgok

Részletesebben

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze.

Véletlen gráfok szerkesztésekor n csomópontból indulunk ki. p valószínűséggel két csomópontot éllel kötünk össze. 9. előadás P(k) k Véletlen gráfok szerkesztésekor n csomópontból ndulunk k. p valószínűséggel két csomópontot éllel kötünk össze. A fokszámok Posson eloszlásúak P( k) = e pn ( pn) k! k http://www.ct.nfn.t/cactus/applets/gant%20component.html

Részletesebben

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék

Szociális hálozatok és a vagyoneloszlás a társadalmakban. Néda Zoltán. Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék Szociális hálozatok és a vagyoneloszlás a társadalmakban Néda Zoltán Babeş-Bolyai Tudományegyetem Elméleti Fizika Tanszék Világunkban létező hálozatok közül, talán számunkra a legnyilvánvalóbbak a mindennapi

Részletesebben

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen

Részletesebben

Doktori disszertáció. szerkezete

Doktori disszertáció. szerkezete Doktori disszertáció tézisfüzet Komplex hálózatok szerkezete Szabó Gábor Témavezető Dr. Kertész János Elméleti Fizika Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem 2005 Bevezetés A tudományos

Részletesebben

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Démon algoritmus az ideális gázra időátlag fizikai mennyiségek átlagértéke sokaságátlag E, V, N pl. molekuláris dinamika Monte

Részletesebben

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma:

e (t µ) 2 f (t) = 1 F (t) = 1 Normális eloszlás negyedik centrális momentuma: Normális eloszlás ξ valószínűségi változó normális eloszlású. ξ N ( µ, σ 2) Paraméterei: µ: várható érték, σ 2 : szórásnégyzet (µ tetszőleges, σ 2 tetszőleges pozitív valós szám) Normális eloszlás sűrűségfüggvénye:

Részletesebben

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ

Megoldások. ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4; 2, 3) normális eloszlású P (ξ Megoldások Harmadik fejezet gyakorlatai 3.. gyakorlat megoldása ξ jelölje az első meghibásodásig eltelt időt. Akkor ξ N(6, 4;, 3 normális eloszlású P (ξ 8 ξ 5 feltételes valószínűségét (.3. alapján számoljuk.

Részletesebben

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza

Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza Univerzalitási osztályok nemegyensúlyi rendszerekben, Ódor Géza odor@mfa.kfki.hu 1. Bevezetõ, dinamikus skálázás, kritikus exponensek, térelmélet formalizmus, renormalizáció, topológius fázis diagrammok,

Részletesebben

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk

egyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,

Részletesebben

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41

4. előadás. Kiegyenlítő számítások MSc 2018/19 1 / 41 4. előadás Kiegyenlítő számítások MSc 2018/19 1 / 41 Áttekintés Extrém érték elmélet Monte Carlo eljárások 2 / 41 Extrém érték elmélet Bevezetés Alapvető módszerek (GEV és POT) Extrém érték eloszlások

Részletesebben

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

Gazdasági matematika II. vizsgadolgozat megoldása, június 10 Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett

Részletesebben

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt

1. Név:... Neptun Kód:... Feladat: Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt 1. Név:......................... Egy összeszerel½o üzemben 3 szalag van. Mindehárom szalagon ugyanazt a gyártmányt készítik. Egy gyártmány összeszerelési ideje normális eloszlású valószín½uségi változó

Részletesebben

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás Kísérlettervezés - biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás A matematikai-statisztika feladata tapasztalati adatok feldolgozásával segítséget nyújtani

Részletesebben

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika

Részletesebben

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján

Majomnyelv. Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján Majomnyelv Szavak előfordulási gyakoriságának modellezése nyelvi statisztikák alapján Témavezető: Dr. Járai-Szabó Ferenc, egyetemi adjunktus Babeş-Bolyai Tudományegyetem Fizika kar Elméleti és számítógépes

Részletesebben

Betekintés a komplex hálózatok világába

Betekintés a komplex hálózatok világába Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex

Részletesebben

Valószínűségszámítás összefoglaló

Valószínűségszámítás összefoglaló Statisztikai módszerek BMEGEVGAT Készítette: Halász Gábor Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel:

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement

Részletesebben

vásárlót átlag 2 perc alatt intéz el (blokkolás, kártyaleolvasás), de ez az

vásárlót átlag 2 perc alatt intéz el (blokkolás, kártyaleolvasás), de ez az 1. Név:......................... Egy ABC-ben délután (5-t½ol 9 óráig) a vásárlók száma óránként 200 várható érték½u Poisson eloszlású valószín½uségi változó. A pénztáros egy vásárlót átlag 2 perc alatt

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.22. Valószínűségi változó Véletlentől függő számértékeket (értékek sokasága) felvevő változókat valószínűségi változóknak nevezzük(jelölés: ξ, η, x). (pl. x =

Részletesebben

Sztochasztikus folyamatok alapfogalmak

Sztochasztikus folyamatok alapfogalmak Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos

Részletesebben

Statisztikai módszerek a skálafüggetlen hálózatok

Statisztikai módszerek a skálafüggetlen hálózatok Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti

Részletesebben

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel

Részletesebben

A maximum likelihood becslésről

A maximum likelihood becslésről A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus

Részletesebben

A Barabási-Albert-féle gráfmodell

A Barabási-Albert-féle gráfmodell A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( ) Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

A mérési eredmény megadása

A mérési eredmény megadása A mérési eredmény megadása A mérés során kapott értékek eltérnek a mérendő fizikai mennyiség valódi értékétől. Alapvetően kétféle mérési hibát különböztetünk meg: a determinisztikus és a véletlenszerű

Részletesebben

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gazdasági matematika II. vizsgadolgozat, megoldással, Gazdasági matematika II. vizsgadolgozat, megoldással, levelező képzés Definiálja az alábbi fogalmakat! 1. Kvadratikus mátrix invertálhatósága és inverze. (4 pont) Egy A kvadratikus mátrixot invertálhatónak

Részletesebben

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT

Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Véletlenszám generátorok és tesztelésük HORVÁTH BÁLINT Mi a véletlen? Determinisztikus vs. Véletlen esemény? Véletlenszám: számok sorozata, ahol véletlenszerűen követik egymást az elemek Pszeudo-véletlenszám

Részletesebben

Loss Distribution Approach

Loss Distribution Approach Modeling operational risk using the Loss Distribution Approach Tartalom»Szabályozói környezet»modellezési struktúra»eseményszám eloszlás»káreloszlás»aggregált veszteségek»további problémák 2 Szabályozói

Részletesebben

i p i p 0 p 1 p 2... i p i

i p i p 0 p 1 p 2... i p i . vizsga, 06--9, Feladatok és megoldások. (a) Adja meg az diszkrét eloszlás várható értékének a definícióját! i 0... p i p 0 p p... i p i (b) Tegyük fel, hogy a rigófészkekben található tojások X száma

Részletesebben

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás,

Továbblépés. Általános, lineáris modell. Példák. Jellemzık. Matematikai statisztika 12. elıadás, Matematikai statisztika. elıadás, 9.5.. Továbblépés Ha nem fogadható el a reziduálisok korrelálatlansága: Lehetnek fel nem tárt periódusok De más kapcsolat is fennmaradhat az egymáshoz közeli megfigyelések

Részletesebben

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika

Bevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra

Részletesebben

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus. Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza

Részletesebben

Véletlen gráfok, hálózatok

Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén

Részletesebben

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT

HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT HETEROGÉN MOBILHÁLÓZATOK, MOBIL BACKHAUL ÉS GERINC HÁLÓZAT GYAKORLAT Mobil és vezeték nélküli hálózatok (BMEVIHIMA07) 2015. április 3., Budapest Jakó Zoltán BME Hálózati Rendszerek és Szolgáltatások Tanszék

Részletesebben

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket!

( 1) i 2 i. megbízhatóságú a levont következtetése? A matematikai statisztika eszközeivel értékelje a kapott eredményeket! 1. Név:......................... Egy szabályos pénzérmét feldobunk, ha az els½o FEJ az i-edik dobásra jön, akkor a játékos nyereménye ( 1) i i forint. Vizsgálja szimulációval a játékot, különböz½o induló

Részletesebben

Több valószínűségi változó együttes eloszlása, korreláció

Több valószínűségi változó együttes eloszlása, korreláció Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...

Részletesebben

1. Példa. A gamma függvény és a Fubini-tétel.

1. Példa. A gamma függvény és a Fubini-tétel. . Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +

Részletesebben

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Mi az adat? Az adat elemi ismeret. Az adatokból információkat Mi az adat? Az adat elemi ismeret. Tények, fogalmak olyan megjelenési formája, amely alkalmas emberi eszközökkel történő értelmezésre, feldolgozásra, továbbításra. Az adatokból gondolkodás vagy gépi feldolgozás

Részletesebben

FELVÉTELI VIZSGA, július 17.

FELVÉTELI VIZSGA, július 17. BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR FELVÉTELI VIZSGA, 2017. július 17. Írásbeli vizsga MATEMATIKÁBÓL I. TÉTEL (30 pont) 1) (10 pont) Igazoljuk, hogy tetszőleges m R esetén

Részletesebben

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga

MATE-INFO UBB verseny, március 25. MATEMATIKA írásbeli vizsga BABEŞ-BOLYAI TUDOMÁNYEGYETEM, KOLOZSVÁR MATEMATIKA ÉS INFORMATIKA KAR MATE-INFO UBB verseny, 218. március 25. MATEMATIKA írásbeli vizsga FONTOS TUDNIVALÓK: 1 A feleletválasztós feladatok,,a rész esetén

Részletesebben

A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9

A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 Név: Pitlik László Mérés dátuma: 2014.12.04. Mérőtársak neve: Menkó Orsolya Adatsorok: M24120411 Halmy Réka M14120412 Sárosi

Részletesebben

BIOMATEMATIKA ELŐADÁS

BIOMATEMATIKA ELŐADÁS BIOMATEMATIKA ELŐADÁS 9. Együttes eloszlás, kovarianca, nevezetes eloszlások Debreceni Egyetem, 2015 Dr. Bérczes Attila, Bertók Csanád A diasor tartalma 1 Bevezetés, definíciók Együttes eloszlás Függetlenség

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen

Részletesebben

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak Kísérlettervezés alapfogalmak Rendszermodellezés Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Kísérlettervezés Cél: a modell paraméterezése a valóság alapján

Részletesebben

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában

A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre

Részletesebben

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió

Biometria az orvosi gyakorlatban. Korrelációszámítás, regresszió SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás

Részletesebben

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás

Véletlenszám generátorok és tesztelésük. Tossenberger Tamás Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél

Részletesebben

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére

Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Volatilitási tőkepuffer a szolvencia IIes tőkekövetelmények megsértésének kivédésére Zubor Zoltán MNB - Biztosításfelügyeleti főosztály MAT Tavaszi Szimpózium 2016. május 7. 1 Háttér Bit. 99. : folyamatos

Részletesebben

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható folytonos idejű Markovláncok  segítségével. E.4 Markov-láncok Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével. Egy Markov-láncot (MC) meghatároznak az alapját adó sorbanállási hálózat állapotai és az ezek

Részletesebben

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba Egymintás u-próba STATISZTIKA 2. Előadás Középérték-összehasonlító tesztek Tesztelhetjük, hogy a valószínűségi változónk értéke megegyezik-e egy konkrét értékkel. Megválaszthatjuk a konfidencia intervallum

Részletesebben

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1 Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában

Részletesebben

Bodó / Csató / Gaskó / Sulyok / Simon október 9. Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár

Bodó / Csató / Gaskó / Sulyok / Simon október 9. Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár Bodó / Csató / Gaskó / Sulyok / Simon Matematika és Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2016. október 9. Tudnivalók Tudnivalók: 1 Csapatok kiválasztása: a második hét végéig; 2

Részletesebben

A talajok összenyomódásának vizsgálata

A talajok összenyomódásának vizsgálata A talajok összenyomódásának vizsgálata Amit már tudni kellene Összenyomódás Konszolidáció Normálisan konszolidált talaj Túlkonszolidált talaj Túlkonszolidáltsági arányszám,ocr Konszolidáció az az időben

Részletesebben

Matematikai geodéziai számítások 6.

Matematikai geodéziai számítások 6. Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi

Részletesebben

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László Gyakorló feladatok Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László I/. A vizsgaidőszak második napján a hallgatók %-ának az E épületben, %-ának a D épületben,

Részletesebben

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O 1. Mit nevezünk elemi eseménynek és eseménytérnek? A kísérlet lehetséges kimeneteleit elemi eseményeknek nevezzük. Az adott kísélethez tartozó elemi események halmazát eseménytérnek nevezzük, jele: X 2.

Részletesebben

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem.

Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Eseményalgebra. Esemény: minden amirl a kísérlet elvégzése során eldönthet egyértelmen hogy a kísérlet során bekövetkezett-e vagy sem. Elemi esemény: a kísérlet egyes lehetséges egyes lehetséges kimenetelei.

Részletesebben

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés

Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Matematikai statisztika I. témakör: Valószínűségszámítási ismétlés Elek Péter 1. Valószínűségi változók és eloszlások 1.1. Egyváltozós eset Ismétlés: valószínűség fogalma Valószínűségekre vonatkozó axiómák

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Valószínűségi hálók - következtetés Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade Következtetés

Részletesebben

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás

Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás Monte Carlo módszerek a statisztikus fizikában. Az Ising modell. 8. előadás PI KISZÁMOLÁSI JÁTÉKOK A TENGERPARTON egy kört és köré egy négyzetet rajzolunk véletlenszerűen kavicsokat dobálunk megszámoljuk:

Részletesebben

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag)

Van-e kapcsolat a változók között? (példák: fizetés-távolság; felvételi pontszám - görgetett átlag) , rangkorreláció Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék 1111, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-16-80 Fax: 463-30-91 http://www.vizgep.bme.hu

Részletesebben

Gyakorló feladatok I.

Gyakorló feladatok I. Gyakorló feladatok I. a Matematika Aa Vektorüggvények tárgyhoz (D D5 kurzusok) Összeállította: Szili László Ajánlott irodalmak:. G.B. Thomas, M.D. Weir, J. Hass, F.R. Giordano: Thomas-féle KALKULUS I.,

Részletesebben

-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el.

-2σ. 1. A végtelen kiterjedésű +σ és 2σ felületi töltéssűrűségű síklapok terében az ábrának megfelelően egy dipól helyezkedik el. 1. 2. 3. Mondat E1 E2 Össz Energetikai mérnöki alapszak Mérnöki fizika 2. ZH NÉV:.. 2018. május 15. Neptun kód:... g=10 m/s 2 ; ε 0 = 8.85 10 12 F/m; μ 0 = 4π 10 7 Vs/Am; c = 3 10 8 m/s Előadó: Márkus

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 3 III. VÉLETLEN VEKTOROK 1. A KÉTDIMENZIÓs VÉLETLEN VEKTOR Definíció: Az leképezést (kétdimenziós) véletlen vektornak nevezzük, ha Definíció:

Részletesebben

A valószínűségszámítás elemei

A valószínűségszámítás elemei A valószínűségszámítás elemei Kísérletsorozatban az esemény relatív gyakorisága: k/n, ahol k az esemény bekövetkezésének abszolút gyakorisága, n a kísérletek száma. Pl. Jelenség: kockadobás Megfigyelés:

Részletesebben

[Biomatematika 2] Orvosi biometria

[Biomatematika 2] Orvosi biometria [Biomatematika 2] Orvosi biometria 2016.02.29. A statisztika típusai Leíró jellegű statisztika: összegzi egy adathalmaz jellemzőit. A középértéket jelemzi (medián, módus, átlag) Az adatok változékonyságát

Részletesebben

Korreláció és lineáris regresszió

Korreláció és lineáris regresszió Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.

Részletesebben

Összefoglalás és gyakorlás

Összefoglalás és gyakorlás Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)

Részletesebben

A mikroskálájú modellek turbulencia peremfeltételeiről

A mikroskálájú modellek turbulencia peremfeltételeiről A mikroskálájú modellek turbulencia peremfeltételeiről Adjunktus Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Áramlástan Tanszék 27..23. 27..23. / 7 Általános célú CFD megoldók alkalmazása

Részletesebben

Kvantitatív módszerek

Kvantitatív módszerek Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció

Részletesebben

Frusztrált hálózatok klasztereződése

Frusztrált hálózatok klasztereződése Babeş-Bolyai Tudományegyetem, Fizika Kar Frusztrált hálózatok klasztereződése XI. ETDK Varga Melinda Molnár Botond Témavezetők: Dr. Prof. Néda Zoltán Drd. Ercsey-Ravasz Mária 2008 Absztrakt A politikában,

Részletesebben

Számítógépes döntéstámogatás. Statisztikai elemzés

Számítógépes döntéstámogatás. Statisztikai elemzés SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,

Részletesebben

Valószínűségi változók. Várható érték és szórás

Valószínűségi változók. Várható érték és szórás Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :

Részletesebben

Szalai Péter. April 17, Szalai Péter April 17, / 36

Szalai Péter. April 17, Szalai Péter April 17, / 36 Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási

Részletesebben

Dimenzióváltás becsapódásos fragmentációban

Dimenzióváltás becsapódásos fragmentációban Dimenzióváltás becsapódásos fragmentációban Pál Gergő Témavezető: Dr. Kun Ferenc Debreceni Egyetem Döffi 2013, Balatonfenyves Heterogén anyagok fragmentációja Próbatest töredezési folyamata - nagy mennyiségű

Részletesebben

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb

Részletesebben

Többváltozós lineáris regressziós modell feltételeinek

Többváltozós lineáris regressziós modell feltételeinek Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p

Részletesebben

Elméleti összefoglaló a Valószín ségszámítás kurzushoz

Elméleti összefoglaló a Valószín ségszámítás kurzushoz Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek

Részletesebben

Regressziós vizsgálatok

Regressziós vizsgálatok Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga

Részletesebben

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév

Matematika A3 Valószínűségszámítás, 5. gyakorlat 2013/14. tavaszi félév Matematika A3 Valószínűségszámítás, 5. gyakorlat 013/14. tavaszi félév 1. Folytonos eloszlások Eloszlásfüggvény és sűrűségfüggvény Egy valószínűségi változó, illetve egy eloszlás eloszlásfüggvényének egy

Részletesebben

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége

Statisztikai következtetések Nemlineáris regresszió Feladatok Vége [GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell

Részletesebben

5. el adás. Solow-modell I. Kuncz Izabella. Makroökonómia. Makroökonómia Tanszék Budapesti Corvinus Egyetem

5. el adás. Solow-modell I. Kuncz Izabella. Makroökonómia. Makroökonómia Tanszék Budapesti Corvinus Egyetem I. Makroökonómia Tanszék Budapesti Corvinus Egyetem Makroökonómia Mit tudunk eddig? Hogyan hat a skális politika a gazdaságra? Mi a pénz? Milyen költségei vannak az inációnak? Hogyan hat a monetáris politika

Részletesebben

Gazdasági matematika II. tanmenet

Gazdasági matematika II. tanmenet Gazdasági matematika II. tanmenet Mádi-Nagy Gergely A hivatkozásokban az alábbi tankönyvekre utalunk: T: Tóth Irén (szerk.): Operációkutatás I., Nemzeti Tankönyvkiadó 1987. Cs: Csernyák László (szerk.):

Részletesebben

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg

Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott

Részletesebben

Exponenciális kisimítás. Üzleti tervezés statisztikai alapjai

Exponenciális kisimítás. Üzleti tervezés statisztikai alapjai Exponenciális kisimítás Üzleti tervezés statisztikai alapjai Múlt-Jelen-Jövő kapcsolat Egyensúlyi helyzet Teljes konfliktus Részleges konfliktus: 0 < α < 1, folytatódik a múlt, de nem változatlanul módosítás:

Részletesebben

Reakciókinetika. aktiválási energia. felszabaduló energia. kiindulási állapot. energia nyereség. végállapot

Reakciókinetika. aktiválási energia. felszabaduló energia. kiindulási állapot. energia nyereség. végállapot Reakiókinetika aktiválási energia kiindulási állapot energia nyereség felszabaduló energia végállapot Reakiókinetika kinetika: mozgástan reakiókinetika (kémiai kinetika): - reakiók időbeli leírása - reakiómehanizmusok

Részletesebben

Változatos Véletlen Árazási Problémák. Bihary Zsolt AtomCsill 2014

Változatos Véletlen Árazási Problémák. Bihary Zsolt AtomCsill 2014 Változatos Véletlen Árazási Problémák Bihary Zsolt AtomCsill 2014 Fizikus a befektetési bankban Remek társaság Releváns matematikai műveltség Számítástechnikai affinitás Intuitív gondolkodás Modellezési

Részletesebben

Logisztikai szimulációs módszerek

Logisztikai szimulációs módszerek Üzemszervezés Logisztikai szimulációs módszerek Dr. Juhász János Integrált, rugalmas gyártórendszerek tervezésénél használatos szimulációs módszerek A sztochasztikus külső-belső tényezőknek kitett folyamatok

Részletesebben

KÖZELÍTŐ INFERENCIA II.

KÖZELÍTŐ INFERENCIA II. STATISZTIKAI TANULÁS AZ IDEGRENDSZERBEN KÖZELÍTŐ INFERENCIA II. MONTE CARLO MÓDSZEREK ISMÉTLÉS Egy valószínűségi modellben a következtetéseinket a látensek vagy a paraméterek fölötti poszterior írja le.

Részletesebben

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver):

Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): B Motiváció B Motiváció Számítógép-rendszerek fontos jellemzői (Hardver és Szoftver): Helyesség Felhasználóbarátság Hatékonyság Modern számítógép-rendszerek: Egyértelmű hatékonyság (például hálózati hatékonyság)

Részletesebben

Dekoherencia Markovi Dinamika Diósi Lajos. Elméleti Fizikai Iskola Tihany, augusztus szeptember 3.

Dekoherencia Markovi Dinamika Diósi Lajos. Elméleti Fizikai Iskola Tihany, augusztus szeptember 3. Dekoherencia Markovi Dinamika Diósi Lajos Elméleti Fizikai Iskola Tihany, 2010. augusztus 30. - szeptember 3. Tartalomjegyzék 1 Projektív dekoherencia 2 Nyitott rendszer - Lindblad egy. 3 Dekoherencia

Részletesebben

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése

Közlekedési áramlatok MSc. Csomóponti-, útvonali eljutási lehetőségek minősítése Közlekedési áramlatok MSc Csomóponti-, útvonali eljutási lehetőségek minősítése minősítése jogszabályi esetben Az alárendelt áramlatból egy meghatározott forgalmi művelet csak akkor végezhető el, ha a

Részletesebben